codelion/openevolve
Openevolve
OpenEvolve ist ein Framework für evolutionäre Algorithmen, das Large Language Models nutzt, um autonom Programmieralgorithmen zu entdecken und zu optimieren. Es fungiert als Engine zur Algorithmen-Entdeckung und als Code-Suchwerkzeug, das Populationen von Programm-Kandidaten weiterentwickelt, um effiziente Implementierungen und hardware-spezifische Geschwindigkeitsvorteile zu finden.
Das System behandelt sowohl Code als auch Systemanweisungen als evolvierbare Einheiten und nutzt einen automatisierten Prompt-Optimierer, um die Modellleistung iterativ zu verfeinern. Es erhält die Suchstabilität durch nischenbasiertes Populationsmanagement, um die Vielfalt zu bewahren, und verwendet einen Closed-Loop-Feedback-Mechanismus, der Laufzeitfehler und Logs zur autonomen Fehlerbehebung zurück in den Generierungsprozess einspeist.
Das Framework enthält zudem einen Agent-Orchestrator, der Antworten von mehreren Modell-APIs unter Verwendung gewichteter Logik und Fallback-Strategien aggregiert. Zur Unterstützung wissenschaftlicher Berechnungen implementiert es deterministische Ausführung durch die Verwaltung konsistenter Zufalls-Seeds über alle stochastischen Komponenten hinweg.
Das Projekt bietet ein interaktives Dashboard zur Visualisierung des Evolutionsfortschritts und von Echtzeit-Leistungsmetriken.
Features
- Evolutionary Algorithm Discovery - Implements an evolutionary pipeline using LLMs to autonomously discover and optimize efficient algorithms.
- Evolutionary Code Optimizers - Uses an LLM-driven evolutionary process to iteratively generate and mutate code for algorithm discovery.
- Automated Code Refinement Loops - Iteratively modifies source code based on performance feedback to achieve execution speedups.
- Error-Correction Feedback Loops - Injects runtime error messages and system logs back into prompts for autonomous bug fixing.
- Population Diversity Maintenance - Uses a niche-based architecture to preserve candidate solution diversity and prevent premature convergence.
- Closed-Loop Code Iteration - Provides autonomous cycles of code execution and refinement to achieve hardware-specific performance breakthroughs.
- AI Model Orchestration - Orchestrates multiple AI model providers using weighted logic to improve response accuracy.
- Automated Prompt Optimization - Programmatically refines system instructions and model prompts based on iterative performance metrics.
- Genetic Prompt Evolution - Treats system instructions as evolvable code, applying genetic algorithms to iteratively optimize agent performance.
- Deterministic Training Seeds - Applies consistent random seeds across all stochastic components to ensure scientific reproducibility.
- Weighted & Fallback Ensembles - Combines outputs from multiple LLM APIs using weighted logic and fallback strategies to increase reliability.
- Prompt Engineering - Designs and refines system instructions as evolvable code to optimize LLM performance.
- Reproducible Run Configurations - Ensures exact reproduction of experimental runs by capturing configurations and synchronizing random seeds.
- LLM Plugin Orchestrators - Implements a system to route tasks across multiple LLM APIs using weighted logic and fallback strategies.
- Experimental Reproducibility - Ensures experimental results can be repeated exactly by maintaining consistent seeds across random components.
- Code Refinement - Open-source evolutionary coding agent.
